Viral markedsføring succesfuldt modelleret af netværksteoretikere

Hvor sandsynligt er det, at du køber seneste James Bond-roman af William Boyd ? Eller for at se anden del af Hobbitten filmtrilogi, når den udkommer i december? Eller at stemme demokrat ved næste valg?

Sandsynligheden for, at du vil købe et bestemt produkt eller vedtage en bestemt mening, ligger i hjertet af et af de hotteste problemer i netværksteori: hvordan man kan forudsige, om et produkt, en mening eller et budskab sandsynligvis vil blive viralt.

Der er ingen mangel på potentielle svar. Faktisk er en af ​​netværksteoriens vigtige succeser, at den demonstrerer, hvordan information spredes gennem et netværk baseret på forbindelsen mellem individerne i det.

Og alligevel mangler marketingfolk endnu at udnytte denne idé på en måde, der giver pålidelige og gentagelige resultater. Sandheden er, at markedsføring er lige så meget af en sort kunst som nogensinde.

Det kan snart ændre sig takket være arbejdet fra Xiao Fang og venner på University of Utah i Salt Lake City. I dag afslører disse fyre en teknik, der forudsiger sandsynligheden for adoption af enkeltpersoner inden for et netværk og siger, at den dramatisk overgår tidligere indsats.

De siger, at deres nye teknik vil give marketingfolk mulighed for at målrette deres kampagner mere effektivt og finjustere budskaber til de individuelle kunder, der er mest tilbøjelige til at anvende en ny tjeneste på det specifikke tidspunkt.

Først lidt baggrund. Standardmetoden til at simulere den måde information spredes gennem et netværk er kendt som kaskademodellen. Dette forudsætter, at en person vil modtage en oplysning, hvis et vist antal af hans eller hendes nærmeste naboer også har det. Med andre ord er adoptionssandsynligheden en social effekt, der afhænger af indflydelse fra venner, familie og andre nære medarbejdere.

Denne tilgang har haft stor succes med at modellere spredningen af ​​sygdomme, mode, virale e-mails og så videre. Men netværksforskere ved, at det langt fra er perfekt.

Problemet er, at der er mange andre effekter, der også har indflydelse på, om en person adopterer en idé eller køber et produkt. For eksempel kan en person blive mere tilbøjelig til at købe et produkt på grund af marketingindsats, der er målrettet mod ham eller hende offline. Ting som maildrops, billboards, tv-reklamer og så videre.

Faktisk er disse såkaldte forvirrende effekter så kraftige, at de trodser netværksteoretikeres forsøg på at modellere virkelige individers adfærd på rigtige netværk.

Problemet med at modellere effekten af ​​reelle marketingindsatser er, at deres succesrate normalt er så lav, at den kan forekomme ubetydelig i en kaskademodel. Forestil dig for eksempel, at en virksomhed sender information om et nyt produkt til alle sine eksisterende virksomheder. Sandheden er, at hvis en halv procent af alle disse kunder tager imod tilbuddet, vil marketingfolk betragte dette som en kæmpe succes.

Men i en kaskademodel, hvis en halv procent af en persons venner køber et nyt produkt, er det stort set ingen af ​​dem. Så denne model forudsiger, at ingen vil købe produktet. Den kan simpelthen ikke klare det lille, men betydelige niveau, hvor meget markedsføring foregår.

Det er her, Xiao Fang og cos arbejde kommer ind i billedet. Disse fyre har skabt en netværksmodel, der tager forvirrende effekter i betragtning, når de vurderer, hvor sandsynligt det er, at en bestemt person vil adoptere en idé eller købe et produkt. Det giver specifikt mulighed for den lille bias, som offline påvirkninger, såsom reklamekampagner, kan have.

Og Xiao Fang og co siger, at det også virker. Disse fyre har testet deres nye tilgang på en database med 35.000 mobiltelefonkunder, som var i stand til at vælge mellem 18 forskellige betalingsplaner.

Databasen viser, hvor mange kunder der har vedtaget en ny plan hver dag i løbet af et år. Dette skete med den beskedne rate på omkring 0,4 pct.

Denne hastighed kan være et resultat af sociale netværkseffekter, såsom venner, der anbefaler den samme plan til hinanden. Men det kan også være resultatet af virksomhedernes egen markedsføringsindsats, som ikke registreres på netværket.

Opgaven for Xiao Fang og co er at modellere, hvordan kunderne overtog den pågældende nye betalingsplan. De fandt ud af, at konventionelle kaskademodeller i det væsentlige undlader at forudsige nogen væsentlig udnyttelse overhovedet.

Deres nye tilgang var dog væsentligt mere vellykket. De siger, at evnen til at tage højde for ukendte forvirrende effekter giver dem mulighed for at modellere den faktiske udnyttelsesrate med succes, selvom den kun var 0,4 procent.

Desuden viser deres model, hvilke noder i et netværk der er mest tilbøjelige til at blive tippet af offline effekter. Det er vigtigt, fordi det giver marketingfolk mulighed for at målrette deres kampagner meget mere effektivt og overvåge deres succes i realtid.

Den nye tilgang rejser nemlig udsigten til at skabe personlige beskeder rettet mod specifikke individer på præcis det tidspunkt, hvor de er mest sårbare. Virksomheder kan blive mere effektive i udvælgelse af frø til viral markedsføring og udføre udvælgelsen dynamisk over tid, siger de.

Selvfølgelig er det én ting at forudsige udviklingen af ​​historiske data med succes. Det er noget helt andet at forudsige den fremtidige udvikling af nuværende data. Det vil være den virkelige prøve på denne nye idé. Og hvis det lykkes, vil Xiao Fang og co få den virale marketingverden til at slå en vej til deres dør.

Ref: arxiv.org/abs/1309.6369 : Forudsigelse af adoptionssandsynligheder i sociale netværk

skjule